优化回声状态网络混沌跳频码预测方法研究

以混沌跳频码预测为背景,针对现有预测方法中存在的缺乏记忆能力导致识别准确率不高以及运算量大等问题,论文提出了基于优化回声状态网络的混沌跳频码预测方法。该方法在继承回声状态网络优良性能的同时,利用改进遗传算法优化网络储备池参数,较好地解决了参数选择问题,使其具有更强的针对性和更好的预测效果。论文以logistic-kent映射、Lorenz系统和Mackey-Glass系统跳频码为样本数据,通过改进遗传算法确定最优储备池参数并进行仿真实验,将仿真结果与其他文献结果作了比较,证明了该预测方法的优越性。

回声状态网络混沌跳频码预测方法

针对现有跳频码预测方法存在的缺乏记忆能力、运算量大、训练过程复杂等问题,提出了基于回声状态网络的混沌跳频码预测方法。该方法在跳频码相空间重构的基础上,利用回声状态网络内部动态储备池的循环记忆功能,通过调整各权值矩阵的数值大小达到记忆数据的目的,解决了跳频码预测的问题。仿真实验表明该方法对Logistic-Kent映射、Lorenz系统和Mackey-Glass系统三种混沌跳频码都有较好的预测效果,并与其他方法的实验结果进行了比较,证明回声状态网络在混沌跳频码预测方面的可行性及优越性。

基于经验模态分解的通信辐射源分形特征提取算法

针对当前通信辐射源个体识别方法精度不高,鲁棒性不强等问题,提出了基于经验模态分解(EMD)模型的通信辐射源特征提取算法。该算法通过提取包括本征模函数(IMF)时域和频域范围内的分形特征结合Hilbert边缘谱上的分形特征与谱对称系数组成特征向量,并使用支持向量机(SVM)得到分类结果。10部建伍电台的分类实验结果表明:该算法在不需要先验信息的前提下,可以得到较好的分类效果,并且具有一定的鲁棒性。

基于固有时间尺度分解模型的通信辐射源特征提取算法

针对当前通信辐射源个体识别准确率偏低、特征提取效率不高等问题,提出了基于固有时间尺度分解(ITD)模型的通信辐射源特征提取算法。该算法提取了原信号的双谱特征、固有旋转分量的分形特征并结合了瞬时幅频谱特征组成特征向量,使用支持向量机(SVM)得到分类结果。通过对六部实际电台的分类实验结果表明,该算法在不需要任何先验信息的情况下,仍然可以取得较好的分类结果,并且相比基于经验模态分解(EMD)的特征提取方法在识别准确率和运算效率上都有一定程度的提升。